羽毛和镶木地板有什么区别?

时间:2018-01-03 18:48:30

标签: python pandas parquet feather pyarrow

两者都是柱状(磁盘)存储格式,用于数据分析系统。 两者都集成在Apache Arrowpyarrow python包中)并且是 旨在与Arrow对应作为柱状内存分析层。

两种格式有何不同?

在可能的情况下,在使用大熊猫时,你是否总是喜欢羽毛?

featherparquet更合适的用例是什么? 其他方式?

附录

我在这里找到了一些提示https://github.com/wesm/feather/issues/188, 但考虑到这个项目的年龄,它可能有点过时了。

不是一个严肃的速度测试,因为我只是倾倒并加载一个整体 数据框,但如果你从来没有给你一些印象 之前听说过这些格式:

 # IPython    
import numpy as np
import pandas as pd
import pyarrow as pa
import pyarrow.feather as feather
import pyarrow.parquet as pq
import fastparquet as fp


df = pd.DataFrame({'one': [-1, np.nan, 2.5],
                   'two': ['foo', 'bar', 'baz'],
                   'three': [True, False, True]})

print("pandas df to disk ####################################################")
print('example_feather:')
%timeit feather.write_feather(df, 'example_feather')
# 2.62 ms ± 35.8 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
print('example_parquet:')
%timeit pq.write_table(pa.Table.from_pandas(df), 'example.parquet')
# 3.19 ms ± 51 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
print()

print("for comparison:")
print('example_pickle:')
%timeit df.to_pickle('example_pickle')
# 2.75 ms ± 18.8 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
print('example_fp_parquet:')
%timeit fp.write('example_fp_parquet', df)
# 7.06 ms ± 205 µs per loop (mean ± std. dev. of 7 runs, 1 loop each)
print('example_hdf:')
%timeit df.to_hdf('example_hdf', 'key_to_store', mode='w', table=True)
# 24.6 ms ± 4.45 ms per loop (mean ± std. dev. of 7 runs, 100 loops each)
print()

print("pandas df from disk ##################################################")
print('example_feather:')
%timeit feather.read_feather('example_feather')
# 969 µs ± 1.8 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
print('example_parquet:')
%timeit pq.read_table('example.parquet').to_pandas()
# 1.9 ms ± 5.5 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

print("for comparison:")
print('example_pickle:')
%timeit pd.read_pickle('example_pickle')
# 1.07 ms ± 6.21 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
print('example_fp_parquet:')
%timeit fp.ParquetFile('example_fp_parquet').to_pandas()
# 4.53 ms ± 260 µs per loop (mean ± std. dev. of 7 runs, 1 loop each)
print('example_hdf:')
%timeit pd.read_hdf('example_hdf')
# 10 ms ± 43.4 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

# pandas version: 0.22.0
# fastparquet version: 0.1.3
# numpy version: 1.13.3
# pandas version: 0.22.0
# pyarrow version: 0.8.0
# sys.version: 3.6.3
# example Dataframe taken from https://arrow.apache.org/docs/python/parquet.html

1 个答案:

答案 0 :(得分:48)

  • Parquet格式专为长期存储而设计,其中Arrow更适用于短期或临时存储(由于二进制格式,Arrow可能更适合1.0.0版本发布后的长期存储那将是稳定的)

  • Parquet比Feather更昂贵,因为它具有更多的编码和压缩层。羽毛是未经修改的原始柱状箭头记忆。我们可能会在将来为Feather添加简单的压缩。

  • 由于字典编码,RLE编码和数据页面压缩,Parquet文件通常比羽毛文件小得多

  • Parquet是许多不同系统支持的分析标准存储格式:Spark,Hive,Impala,各种AWS服务,以及BigQuery未来等等。所以,如果您正在进行分析,Parquet是一个不错的选择作为多个系统查询的参考存储格式

您展示的基准测试会非常嘈杂,因为您阅读和编写的数据非常少。您应该尝试压缩至少100MB或更高的1GB数据以获得更多信息性基准,例如, http://wesmckinney.com/blog/python-parquet-multithreading/

希望这有帮助